ARTIKEL SISTEM PENDUKUNG KEPUTUSAN SELEKSI...

Artikel Skripsi

Universitas Nusantara PGRI Kediri

Ahmad Jamaluddin | 12.1.03.02.0038 Teknik – Teknik Informatika

simki.unpkediri.ac.id || 1||

ARTIKEL

SISTEM PENDUKUNG KEPUTUSAN SELEKSI KARYAWAN

PT.JAPFA COMFEED INDONESIA TBK CABANG KEDIRI

MENGGUNKAN METODE NAIVE BAYES BERBASIS WEB

Oleh:

AHMAD JAMALUDDIN

NPM : 12.1.03.02.0038

Dibimbing oleh :

1. Ratih Kumalasari N, S.ST. M.Kom.

2. Ahmad Bagus S, S.T.,M.Kom.,M.M.

FAKULTAS TEKNIK

UNIVERSITAS NUSANTARA PERSATUAN GURU REPUBLIK INDONESIA

UN PGRI KEDIRI

2017

Simki-Techsain Vol. 02 No. 04 Tahun 2018 ISSN : 2599-3011

Artikel Skripsi





Artikel Skripsi




SISTEM PENDUKUNG KEPUTUSAN SELEKSI KARYAWAN PT.JAPFA

COMFEED INDONESIA TBK CABANG KEDIRI MENGGUNKAN METODE

NAIVE BAYES BERBASIS WEB

AHMAD JAMALUDDIN

12.1.03.02.0038

Teknik – Teknik Informatika

[email protected]

Ratih Kumalasari N., S.ST. M.Kom dan Ahmad Bagus S., S.T., M.M., M.Kom

UNIVERSITAS NUSANTARA PGRI KEDIRI

Aset perusahaan yang paling berharga adalah sumber daya manusianya. Salah satu upaya yang

dapat dilakukan perusahaan adalah melakukan seleksi terhadap calon karyawannya. Seleksi tenaga kerja diperlukan untuk melanjutkan tujuan organisasi seperti kelangsungan hidup, pertumbuhan atau

keuntungan perusahaan.

Permasalahan pada penelitian ini adalah menentukan calon karyawan yang layak diterima kerja pada PT. Japfa Comfeed Indonesia Tbk cabang Kediri, menerapkan metode Naive Bayes dalam

seleksi karyawan baru, merangcang sistem untuk menentukan siapa yang layak untuk menjadi

karyawan. Penelitiasn ini menggunakan metode Naive Bayes dengan bahasa pemrograman PHP dan

menggunakan data base MySQL serta untuk menentukan nilai kepastian dan keputusannya dikerjakan

dengan metode Naive Bayes. Metode Naive Bayes adalah teknik prediksi berbasis probabilistik

sederhana yang berdasarkan pada penerapan Theorema Bayes. dengan asumsi indepedensi yang kuat. Kesimpulan dari penelitian ini adalah, dengan menggunakan sistem pendukung keputusan

seleksi karyawan PT. Japfa Comfeed Indonesia Tbk Cabang kediri dapat menentukan karyawan yang

layak dan tidak layak diterima. Metode Naive Bayes digunakan untuk perhitungan nilai kepastian karyawan baru serta dirangcang dengan bahasa pemrograman PHP dan data base MYSQL.

Kata Kunci : Japfa, Naive Bayes, MySQL, SPK.


Artikel Skripsi




I. LATAR BELAKANG

Era globalisasi ini penuh dengan

tantangan dan kesulitan-kesulitan di

masa yang akan datang yang harus

dihadapi oleh masyarakat dan negara

berkembang ini. Namun, suatu

perusahaan tetap dituntut untuk efektif

dalam pengelolaan perusahaannya, agar

perusahaan itu dapat bersaing dengan

perusahaan lain atau mengikuti

perubahan yang terjadi, serta guna

mencapai tujuan perusahaan itu sendiri.

Aset perusahaan yang paling

berharga adalah sumber daya

manusianya.Salah satu upaya yang

dapat dilakukan perusahaan adalah

melakukan seleksi terhadap calon

karyawannya.Seleksi dilakukan untuk

memilih calon karyawan yang paling

memenuhi kriteria yang dicari

/ditetapkan perusahaan dari sekian

banyak pelamar yang ada untuk

menempati suatu posisi tertentu dalam

perusahaan guna mencapai tujuan

perusahaan. Akan tetapi seleksi

karyawan baru yang dilakukan pihak

perusahaan di rasa memakan waktu

yang lama dan kurang efektif, sehingga

menjadi masalah baru dalam rekrutmen

karyawan.

Seleksi tenaga kerja diperlukan

untuk melanjutkan tujuan organisasi

seperti kelangsungan hidup, per-

tumbuhan atau keuntungan. Bayangkan

apabila tidak ada proses seleksi,

dimungkinkan terjadinya ketidak-

sesuaian antara keahlian pegawai

terhadap kebutuhan perusahaan,

sehingga tujuan perusahaan dapat

dipastikan tidak akan dapat dicapai

dengan baik.

Pada akhirnya, strategi seleksi

yang turut mempertimbangkan

kecocokan antara individu dengan

perusahaan, disamping faktor

pengetahuan, keterampilan, dan

kemampuan yang dimiliki oleh calon

karyawan akan memberikan hasil yang

positif bagi perusahaan. Semakin efektif

proses seleksi, semakin besar

kemungkinan untuk mendapatkan


Artikel Skripsi




pegawai yang tepat bagi perusahaan.

Selain itu, seleksi yang efektif akan

berpengaruh langsung pada prestasi

kerja karyawan dan kinerja finansial

perusahaan. Dengan demikian maka

pengembangan dan perencanaan system

seleksi merupakan hal penting untuk

dilaksanakan setiap perusahaan supaya

proses yang berlangsung cukup lama

dan memakan biaya tersebut tidak sia-

sia.

Pada penelitian sebelumnya yang

dilakukan oleh Riani Dewi H., Yunita,

Novi Indrawati dengan judul Rancang

Bangun Sistem Pendukung Keputusan

Penerimaan Beasiswa Menggunakan

Metode Naive Bayes Classiffier.Salah

satu program pemerintah yang

bertujuan meringankan beban biaya

pendidikan bagi siswa maupupun

mahasiswa, dalam penelitian ini ada

beberapa kriteria-kriteria yang di

gunakan untuk penyeleksian beasiswa,

yaitu Penghasilan Orang Tua, IPK,

PLN, dan Tanggungan Keluarga.

Metode yang di gunakan untuk seleksi

beasiswa adalah metode Naive Bayes

Classifier, metode ini akan

mengklasifikasikan pendafttar beasiswa

menjadi dua kelas yaitu kelas layak dan

tidak layak. Diharapkan sistem ini dapat

berfungsi optimal dan baik dalam

melakukan seleksi beasiswa

Pada penelitian sebelumnya yang

dilakukan oleh Amelia Yusnita, Rosiana

Handini dengan judul Sistem

Pendukung Keputusan Menentukan

Lokasi Umah Makan Yang Strategis

Menggunakan Metode Naive

Bayes.Penelitian ini dilakukan untuk

memudahkan masyarakat yang ingin

membuka usaha umah makan dapat

terlebih dahulu menilai lokasi yang

dipilih strategis atau tidak

strategis.Metode naive bayes digunakan

untuk menghitung nilai likehood ya dan

nilai likehood tidak, dimana untuk nilai

tersebut digunakan untuk nilai

probabilitas dan nilai probabilitas dapat

dihitung dengan melakukan normalisasi

terhadap nilai likehood dimana nilai


Artikel Skripsi




paling besar itulah yang dianggap

stratergis atau tidak strategis.

Perancangan aplikasi padaSistem

Pendukung Keputusan Seleksi Karyawan

PT.Japfa Comfeed Indonesia Tbk

Cabang Kediri Menggunakan Metode

Naive Bayes Berbasis Web dibuat dengan

bahasa pemrograman PHP dan

menggunakan data base MySQL serta

untuk menentukan nilai kepastian dan

keputusannya dikerjakan menggunakan

metode Naive Bayes. Naive Bayes adalah

sebuah metode pengklafisikasian dengan

probabilitas dan statistik yang

dikemukakan oleh ilmuan inggris, Thomas

Bayes pada tahun 1763 yaitu mempresiksi

peluang masa depan berdasarkan

pengalaman dimasa sebelumnya.

Kelebihan dari metode naive bayes adalah

menangani kuantitatif dan data diskrit,

kokoh untuk titik noise yang di isolasi,

misalkan titik yang di rata-ratakan ketika

mengestimasi peluang bersyarat data, lebih

cepat dan efisiensi ruang.

II. METODE

1. Theorema Bayes

Bayes merupakan teknik prediksi

berbasis probabilistik sederhana yang

berdasar pada penerapan Theorema Bayes

(atau aturan Bayes) dengan asumsi

independensi (ketidak tergantungan) yang

kuat (naif). Dengan kata lain, Naïve Bayes,

model yang digunakan adalah “model fitur

independensi” (Afriana, 2014).

Dalam Bayes (terutama Naïve

Bayes), maksud independensi yang kuat

pada fitur adalah bahwa sebuah fitur pada

sebuah data tidak berkaitan dengan ada

atau tidaknya fitur lain dalam data yang

sama. Prediksi Bayes didasarkan pada

Theorema Bayes dengan formula umum

sebagai berikut :

𝑃 𝐻 𝐸 = 𝑃 𝐸 𝐻 𝑥𝑃(𝐻)

𝑃(𝐸) ................................... 1

Penjelasan dari formula tersebut

adalah sebagai berikut :

Parameter Keterangan

P(H|E) Probabilitas akhir bersyarat

(Conditional Proabability) suatu hipotesis

H terjadi jika diberikan bukti (Evidence) E

terjadi.

P(E|H) Probabilitas sebuah bukti E terjadi

akan mempengaruhi hipotesis H.

P(H) Probabilitas awal

(priori) hipotesis H terjadi tanpa

memandang bukti apapun.

P(E) Probabilitas awal

(priori) bukti E terjadi tanpa memandang

hipotesis/bukti lain.

Ide dasar dari aturan Bayes adalah

bahwa hasil dari hipotesis atau peristiwa

(H) dapat diperkirakan berdasarkan pada

beberapa bukti (E) yang diamati (Afriana,


Artikel Skripsi




2014). Ada beberapa hal penting dari

aturan Bayes tersebut, yaitu :

1. Sebuah probabilitas awal/ prior H atau

P(H) adalah probabilitas dari suatu

hipotesis sebelum bukti diamati.

2. Sebuah probabilitas akhir H atau P(H|E)

adalah probabilitas dari suatu hipotesis

setelah bukti diamati.

2. Naïve Bayes Untuk Klasifikasi

Kaitan antara Naïve Bayes dengan

klasifikasi, korelasi hipotesis dan bukti

klasifikasi adalah bahwa hipotesis dalam

Theorema Bayes merupakan label kelas

yang menjadi target pemetaan dalam

klasifikasi, sedangkan bukti merupakan

fitur - fitur yang menjadikan masukan

dalam model klasifikasi. Jika X adalah

vector masukkan yang berisi fitur dan Y

adalah label kelas, Naïve Bayes dituliskan

dengan P(X|Y). Notasi tersebut berarti

probabilitas label kelas Y didapatkan

setelah fitur-fitur X diamati. Notasi ini

disebut juga probabilitas akhir (Posterior

Probability) untuk Y, sedangkan P(Y)

disebut probabilitas awal (Prior

Probability) Y (Afriana, 2014).

Selama proses pelatihan harus

dilakukan pembelajaran probabilitas akhir

(P(Y|X) pada model untuk setiap

kombinasi X dan Y berdasarkan informasi

yang didapat dari data latih. Dengan

membangun model tersebut, suatu data uji

X` dapat diklarifikasi dengan mencari nilai

Y` dengan memaksimalkan nilai P(X`|Y`)

yang didapatkan. Formulasi Naïve Bayes

untuk klasifikasi adalah :

P(Y|X)=𝑃 𝑌 Π𝑖=1

𝑞𝑃(𝑋𝑖|𝑌)

𝑃(𝑋)................ 2

P(X|Y) adalah probabilitas data

dengan vector X pada kelas Y. P(Y) adalah

probabilitas awal kelas Y. Π𝑖=1𝑞

𝑃(𝑋𝑖 |𝑌)

adalah probabilitas independen kelas Y

dari semua fitur dalam vector X. Nilai

P(X) selalu tetap sehingga dalam

perhitungan prediksi nantinya kita tinggal

menghitung bagian 𝑃 𝑌 Π𝑖=1𝑞

𝑃(𝑋𝑖|𝑌)

dengan memilih yang terbesar sebagai

kelas yang dipilih sebagai hasil prediksi.

Sementara probabilitas independen

Π𝑖=1𝑞

𝑃(𝑋𝑖 |𝑌) tersebut merupakan pengaruh

semua fitur dari data terhadap setiap kelas

Y, yang dinotasikan dengan (Afriana.

2014). 𝑃 𝑋 𝑌 = 𝑦 = Π𝑖=1𝑞

𝑃(𝑋𝑖|𝑌 = 𝑦) setiap

set fitur X = {X1,X2,X3,…,Xq} terdiri atas

q atribut (q dimensi).

3. Karakteristik Naïve Bayes

Klasifikasi dengan Naïve Bayes

bekerja berdasarkan teori probabilitas yang

memandang semua fitur dari data sebagai

bukti dalam probabilitas (Afriana, 2014).

Hal ini memberikan karakteristik Nive

Bayes sebagai berikut :

a. Metode Naïve Bayes bekerja teguh

(robust) terhadap data-data yang


Artikel Skripsi




terisolasi yang biasanya merupakan data

dengan karakteristik berbeda (outliner).

Naïve Bayes juga bisa menangani nilai

atribut yang salah dengan mengabaikan

data latih selama proses pembangunan

model dan prediksi.

b. Tangguh menghadapi atribut yang tidak

relevan.

c. Atribut yang mempunyai kolerasi bisa

mendegradasi kinerja klasifikasi Naive

Bayes karena asumsi independensi

atribut tersebut sudah tidak ada.

4. Contoh perhitungan pada penelitian

ini dengan menggunakan Metode

Naive Bayes.

1. Dalam menyeleksi

karyawan pihak perusahaan

menggunakan beberapa kriteria

yaitu:

a. Tes tulis

b. Psikotes

c. Wawancara

d. Tes Kesehatan

Berikut ini adalah contoh kasus pada

pelamar yang memiliki kriteria di bawah

ini :

Tabel 2.4 Data Pelamar

No Nama Alamat Tes Tulis Psikotes Wawancara Kesehatan Hasil

1 Isnari Kediri 78 65 82 S Tidak

2 Heru Kediri 85 80 85 S Layak

3 Setiawan Kediri 75 86 78 TS Layak

4 Risdi Jombang 78 75 80 TS Tidak

5 Wahyu Kediri 85 86 67 S Tidak

6 Samsul Kediri 65 73 71 TS Layak

7 Agung Jombang 82 86 79 S Tidak

8 Didik Nganjuk 87 85 70 TS Tidak

9 Handoko Jombang 75 78 80 TS Layak

10 Adit Kediri 80 88 81 S Layak

11 Jarwo Kediri 86 68 74 S Tidak

12 Iwan Kediri 70 77 81 S Tidak

13 Purwo Jombang 85 87 87 TS Layak

14 Nyo Kediri 73 86 88 S Layak

15 Sholeh Jombang 68 70 71 TS Tidak

16 Rahman Kediri 85 86 71 S ?

Ket KB = Nilai 50 - 70

B = Nilai 71 - 80

SB = Nilai 81 - 100

Perhitungan dengan metode naive

bayes:

P(H) = Layak, Tidak

P(Layak) = 7/15 = 0,46

P(Tidak) = 8/15 = 0,53

P(X|H)

P(TesTulis= B | Hasil= Layak)

= 2/7 = 0,29

P(TesTulis= B | Hasil= Tidak)

= 1/8 = 0,13

P(Psikotes= KB | Hasil= Layak)

= 2/7 = 0,29

P(Psikotes= KB | Hasil= Tidak)

= 2/8 = 0,25

P(Wawancara= SB | Hasil

= Layak) = 1/7 = 0,14


Artikel Skripsi




P(Wawancara= SB | Hasil

= Tidak) = 1/8 = 0,13

P(TesKesehatan= S | Hasil

= Layak) = 3/7 = 0,42

P(TesKesehatan= S | Hasil

= Tidak) = 5/8 = 0,62

P(X|Layak) = 0,29 x

0,29 x 0,14 x 0,42 = 0,0049

P(X|Tidak) = 0,13 x

0,25 x 0,13 x 0,62 = 0,0026

P(H|X)

P(X| Layak) x P(Layak) =

0,0049 x 0,46 = 0,0022 (Layak)

P(X|Tidak) x P(Tidak) =

0,0026 x 0,53 = 0,0013

Jadi karyawan baru dengan

kriteria yang pada kolom terakhir

mempunyai hasil perhitungan yang

“Layak” di terima di PT.Japfa

Comfeed Cabang Kediri.

5. Klasifikasi

a. Konsep Klasifikasi

Klasifikasi merupakan suatu

pekerjaan menilai objek data untuk

memasukkannya ke dalam kelas tertentu

dari sejumlah kelas yang tersedia. Dalam

klasifikasi ada dua pekerjaan utama yang

dilakukan, yaitu : pertama, Pembangunan

model sebagai prototype untuk disimpan

sebagai memori dan kedua, Penggunaan

model tersebut untuk melakukan

pengenalan/ klasifikasi/ prediksi pada

suatu objek data lain agar diketahui di

kelas mana objek data tersebut dalam

model yang mudah disimpan (Afriana,

2014).

Contoh aplikasi yang sering ditemui

adalah pengklasifikasian jenis hewan, yang

mempunyai sejumlah atribut.Dengan

teribut tersebut, jika ada hewan baru kelas

henyannya bisa langsng diketahui. Contoh

lain adalah bagaimana melakukan

diagnosis penyakit kulit kanker melanoma,

yaitu dengan melakukan pembangunan

model berdasarkan data latih yang ada,

kemudian menggunakan model tersebut

untuk mengidentifikasi penyakit pasien

baru sehingga diketahui apakah pasien

tersebut menderita kanker atau tidak.

(Afriana, 2014).

b. Model Klasifikasi

Model dalam klasifikasi mempunyai

arti yang sama dengan kotak hitam,

dimana ada suatu model yang menerima

masukkan, kemudian mampu melakukan

pemikiran terhadap masukkan tersebut dan

memberikan jawaban sebagai keluaran dari

hasil pemikirannya. Kerangka kerja

(framework) klasifikasi ditunjukkan pada

gambar 2.1. Pada gambar tersebut

disediakan sejumlah data latih (x,y) untuk

digunakan sebagai data pembangunan

model. Model tersebut kemudian dipakai


Artikel Skripsi




untuk memprediksi kelas dari data uji (x,y)

sehingga diketahui kelas y yang

sesungguhnya (Afriana, 2014).

Gambar 2.1 Proses Klasifikasi

Model yang sudah dibangun pada

saat pelatihan kemudian dapat digunakan

untuk memprediksi label kelas baru yang

belum diketahui. Dalam pembangunan

model selama proses pelatihan tersebut

diperlukan suatu algoritma untuk

membangun, yang disebut algoritma

pelatihan (learning algorithm). Ada

banyak algoritma pelatihan yang sudah

dikembangkan oleh para peneliti, seperti

K-Nearest Neighbor, Artificiak Neural

Network, Support Vector Machine dan

sebagainya. Setiap algoritma mempunyai

kelebihan dan kekurangan, tetapi semua

algoritma berprinsip sama, yaitu

melakukan suatu pelatihan sehingga di

akhir pelatihan, model dapat memetakan

(memprediksi) setiap vector masukan ke

label kelas keluaran dengan benar

(Afriana, 2014).

c. Pengukuran Kinerja Klasifikasi

Sebuah sistem yang melakukan

klasifikasi diharapkan dapat melakukan

klasifikasi semua set data dengan benar,

tetapi tidak dapat dipungkiri bahwa kinerja

suatu sistem tidak bisa 100% benar

sehingga sebuah sistem klasifikasi juga

diukur kinerjanya. Umumnya, pengukuran

kinerja klasiikasi diakukan dengan matriks

konfusi (confusion matrix).

Matriks konfusi merupakan tabel

pencatat hasil kerja klasifikasi.Kuantitas

matriks konfusi dapat diringkus menjadi 2

nilai, yaitu akurasi dan laju error. Dengan

mengetahui jumlah data yang diklasifikasi

secara benar, kita dapat mengetahui

akurasi hasil prediksi dengan mengetahui

umlah data yang diklasifikasi secara salah,

kita dapat mengetahui laju error dari

prediksi yang dilakukan. Dua kuantitas ini

digunakan sebagai matrik kinerja

klasifikasi. Untuk menghitung akurasi

digunakan formula (Afriana, 2014).

Akurasi = 𝐽𝑢𝑚𝑙𝑎𝑕𝑑𝑎𝑡𝑎𝑦𝑎𝑛𝑔𝑑𝑖𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖𝑠𝑒𝑐𝑎𝑟𝑎𝑏𝑒𝑛𝑎𝑟

𝐽𝑢𝑚𝑙𝑎𝑕𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖𝑦𝑎𝑛𝑔𝑑𝑖𝑙𝑎𝑘𝑢𝑘𝑎𝑛

=𝑓11 +𝑓00

𝑓11 +𝑓10 +𝑓01 +𝑓00 .................. 3

Untuk menghitung laju error

(kesalahan prediksi) digunakan formula.

laju error =𝐽𝑢𝑚𝑙𝑎𝑕𝑑𝑎𝑡𝑎𝑦𝑎𝑛𝑔𝑑𝑖𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖𝑠𝑒𝑐𝑎𝑟𝑎𝑠𝑎𝑙𝑎 𝑕

𝐽𝑢𝑚𝑙𝑎𝑕𝑝𝑟𝑒𝑑𝑖𝑘𝑠𝑖𝑦𝑎𝑛𝑔𝑑𝑖𝑙𝑎𝑘𝑢𝑘𝑎𝑛

=𝑓11+𝑓00

𝑓11+𝑓10+𝑓01+𝑓00 ................. 4

Semua algoritma klasifikasi

berusaha membentuk model yang

mempunyai akurasi tinggi atau laju error


Artikel Skripsi




yang rendah. Umumnya, model yang

dibangun memprediksi dengan benar pada

semua data yang menjadi data latihnya,

tetapi ketika model berhadapan dengan

data uji, barulah kinerja model dari sebuah

algortima klasifikasi ditentukan ( Afriana,

2014).

III. HASIL DAN KESIMPULAN

A. HASIL

1. Tahap selanjutnya setelah

perancangan adalah tahap imple-

mentasi program. Pada tahap

implementasi ini, aplikasi dibuat

menggunakan bahasa PHP dan basis

data MySQL. Berikut ini adalah

hasil tampilan program :

a. Halaman login

Halaman ini digunakan

untuk admin masuk pada

menu utama dengan cara

mengisikan kolom username

dan password.

Gambar 5.9 Tampilan Login

b. Halaman Home

Pada halaman ini berisikan

company profile PT.Japfa

Comfeed Indonesia Tbk,

Kediri.

Gambar 5.10 Halaman Home

c. Halaman Pelamar

Pada halaman ini terdapat

tombol edit untuk mengedit

data serta tombol hapus

untuk menghapus data. Dan

untuk ombol utama

yaitu :

Gambar 5.11 Halaman Pelamar

d. Halaman Seleksi

Pada halaman ini digunakan

untuk menyeleksi pelamar

yang telah mengikuti proses

seleksi sebelumnya.


Artikel Skripsi




Gambar 5.12 Tampilan

Halaman Seleksi

e. Halaman hasil seleksi

Halaman ini untuk mengetahui

hasil seleksi pelamar

Gambar 5.13 Halaman Hasil

Seleksi

Kesimpulan perhitungan sistem

seleksi karyawan baru

PT.Japfa Comfeed Indo-

nesia Tbk Kediri akan di

dapatkan hasil layak atau

tidak layak di terima

sebagai karyawan.

KESIMPULAN

Berdasarkan hasil dilakukan

penulis mengenai skripsi yang berjudul

Sistem Pendukung Keputusan Seleksi

Karyawan PT.Japfa Comfeed Indonesia

Tbk, Cabang Kediri Menggunakan Metode

Naive Bayes Berbasis Web dalam

menentukan karyawan baru yang layak dan

yang tidak layak untuk di terima sebagai

karyawan baru. Menerapkan Metode Naive

Bayes dalam perhitungan kepastian

karyawan baru yang hendak di peroleh

hasilnya, serta dirancang dengan bahasa

pemrograman PHP dan menggunakan

MySQL sebagai databasenya.

IV. DAFTAR PUSTAKA

Arfiana, Fikri. 2014. Klasifikasi

Kendaraan Roda Empat

Menggunakan Metode Naive Bayes.

Skripsi. Bandung: Fakultas Teknik

Universitas Widyatama.

Azmi,Meri., Sonatha, Yance. & Rasyidah.

2014. Pemanfatan Sistem Pendukung

Keputusan Untuk Penentuan Alokasi

Dana Kegiatan (Studi Kasus Unit

Kegiatan Mahasiswa Politeknik

Negeri Padang). Jurnal Momentum,

16(1). (Online), tersedia :

http://ejournal.itp.ac.id/index.php/mo

mentum/article/view/161, 22 Desem-

ber 2016

Dewi, Riani, Novi. 2014. Rancang Bangun

Sistem Pendukung Keputusan

Penerimaan Beasiswa Menggunakan

Metode Naive Bayes Classifier.

Seminar Nasional Ke-9 Rekayasa

Teknologi Industri Dan Informasi

(Online), tersedia :

http://journal.sttnas.ac.id/index.php/

ReTII/article/view/65 , 22 Desember

2016

Mufid, Ahmad. 2014. Sistem Pendukung

Keputusan Penilaian Proposal

Kegiatan PNPM MPd Menggunakan

Metode Profile Matching dan

Analytic Hierarchy Process (AHP).

Jurnal Sistem Informasi Bisnis 01

(2014), (Online), tersedia :

http://ejournal.undip.ac.id/index.php/

jsinbis, 22 Desember 2016


Artikel Skripsi




Kusrini. 2007. Konsep dan Aplikasi Sistem

Pendukung Keputusan. Yogyakarta:

Andi

Setya, Tryning Rahayu. 2014. Riset Dan

Analisa PT.Japfa Comfeed

Indonesia, (Online), Tersedia :

https://m.merdeka.com/profil/indone

sia/j/japfa-comfeed-indonesia , 22

Desember 2016

Turban, E., J.E dan T. Liang. 2005.

Decision Support System And

Intelegent System. New Jersey :

Perason Prantince Hall.

Yakub. 2012. Pengantar Sistem Informasi.

Yogyakarta : Graha Ilmu


ARTIKEL SISTEM PENDUKUNG KEPUTUSAN SELEKSI...

Documents

Transcript of ARTIKEL SISTEM PENDUKUNG KEPUTUSAN SELEKSI...